Motor numérico
Esta página resume los algoritmos que usa OpenRiskSim y sus referencias bibliográficas, para quien quiera auditar los cálculos, citarlos en un trabajo o contribuir. Todo está implementado en TypeScript puro en packages/* y probado contra valores de referencia de Excel, R y SciPy. Versión en inglés: Numerical engine.
Números aleatorios
| Componente | Algoritmo | Referencia |
|---|---|---|
| Generador | xoshiro128** (estado de 128 bits, período 2¹²⁸ − 1); cada número en [0, 1) usa 53 bits aleatorios | Blackman, D. y Vigna, S. (2021). Scrambled linear pseudorandom number generators. ACM TOMS 47(4). |
| Siembra | SplitMix32 a partir de la semilla, para que semillas cercanas den secuencias independientes | Steele, Lea y Flood (2014). Fast splittable pseudorandom number generators. OOPSLA. |
Muestreo
- Transformada inversa: cada valor se obtiene como Q(u), el cuantil de la distribución evaluado en un uniforme u. Esto permite LHS, correlaciones por rangos y truncamiento con un mismo mecanismo.
- Monte Carlo: uniformes independientes.
- Hipercubo latino: por columna, uᵢ = (π(i) + vᵢ)/n con π una permutación aleatoria y vᵢ ~ U[0, 1): exactamente un valor por estrato de probabilidad 1/n. McKay, M. D., Beckman, R. J. y Conover, W. J. (1979). A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics 21(2).
- Truncamiento: Q_T(u) = Q(F(a) + u·(F(b) − F(a))), usando la función de supervivencia en la cola superior para conservar precisión; la media y la varianza truncadas se calculan por cuadratura de Gauss–Legendre en el dominio de probabilidad.
Correlaciones
- Iman–Conover: reordena las muestras para inducir la correlación de rangos deseada sin alterar las distribuciones marginales. Usa puntajes de van der Waerden Φ⁻¹(i/(n+1)), la conversión de Spearman a Pearson r = 2·sen(πρ/6) y una corrección por la correlación muestral de los puntajes (Cholesky). Iman, R. L. y Conover, W. J. (1982). A distribution-free approach to inducing rank correlation among input variables. Communications in Statistics – Simulation and Computation 11(3).
- Matriz de correlación más cercana: proyecciones alternadas con corrección de Dykstra. Higham, N. J. (2002). Computing the nearest correlation matrix — a problem from finance. IMA Journal of Numerical Analysis 22(3).
Funciones especiales
| Función | Método |
|---|---|
| erf, erfc | Aproximaciones racionales de fdlibm (Sun Microsystems), error ≲ 1 ulp |
| ln Γ(x) | Lanczos (g = 7, n = 9) y serie de Stirling para x ≥ 10 |
| Beta incompleta regularizada | Fracción continua con el método de Lentz modificado (Press et al., Numerical Recipes) |
| Gamma incompleta regularizada | Serie + fracción continua (Numerical Recipes) |
| Cuantil normal | Wichura (1988), algoritmo AS 241 (PPND16), precisión ~1e−16 |
| Inversas de beta y gamma incompletas | Estimación inicial de Numerical Recipes + iteración de Halley acotada (con bisección de respaldo) |
Estadísticos
- Convenciones de Excel: desviación y varianza muestrales (n − 1, como
DESVEST.M), asimetría y curtosis en exceso comoCOEFICIENTE.ASIMETRIAyCURTOSIS, percentiles con interpolación lineal comoPERCENTIL.INC, intervalo de confianza de la media con t de Student. - Histograma: ancho de clase de Freedman–Diaconis limitado a 10–100 clases; una clase por entero para datos enteros con pocos valores distintos.
- Sensibilidad: correlación de rangos de Spearman; contribución a la varianza = ρ²/Σρ².
- Control de precisión: semiamplitud del intervalo de confianza de la media ≤ error relativo × |media|, verificado por bloques a partir de 500 pruebas.
- Bootstrap no paramétrico con intervalo de percentiles. Efron, B. y Tibshirani, R. (1993). An Introduction to the Bootstrap.
- Prueba t de Welch con grados de libertad de Welch–Satterthwaite.
Ajuste de distribuciones
- Estimación por máxima verosimilitud (forma cerrada cuando existe; si no, Nelder–Mead sobre una parametrización sin restricciones, con inversa de digamma por Newton según Minka).
- Kolmogorov–Smirnov: distribución exacta de Marsaglia, G., Tsang, W. W. y Wang, J. (2003). Evaluating Kolmogorov's distribution. Journal of Statistical Software 8(18).
- Anderson–Darling: Marsaglia, G. y Marsaglia, J. (2004). Evaluating the Anderson–Darling distribution. JSS 9(2); con la corrección de D'Agostino, R. B. y Stephens, M. A. (1986), Goodness-of-Fit Techniques, para Normal/Lognormal con parámetros estimados.
- χ² con clases equiprobables (continuas) o clases por entero con frecuencia esperada ≥ 5 (discretas).
- AIC = 2k − 2 ln L; BIC = k ln n − 2 ln L.
Pronóstico
- Suavizamiento exponencial (simple, Holt, Holt amortiguado, Holt–Winters aditivo y multiplicativo) en forma de corrección de error, con parámetros optimizados por mínimos cuadrados (Nelder–Mead acotado) e intervalos de predicción de la representación de innovaciones. Hyndman, R. J. y Athanasopoulos, G. Forecasting: Principles and Practice (FPP); Hyndman, R. J. et al. (2008). Forecasting with Exponential Smoothing. Springer.
- ARIMA estimado como el método por defecto de R (CSS-ML): valores iniciales de Hannan–Rissanen, suma de cuadrados condicional (CSS) y luego verosimilitud gaussiana exacta con filtro de Kalman (representación de espacio de estados de Gardner, Harvey y Phillips, 1980); intervalos con los pesos ψ.
- ARIMA automático: d por pruebas ADF sucesivas y búsqueda de p, q ≤ 3 por AIC, descartando raíces casi unitarias (como
auto.arima, Hyndman y Khandakar, 2008). - Dickey–Fuller aumentada con p-valores aproximados de MacKinnon, J. G. (1994). Approximate asymptotic distribution functions for unit-root and cointegration tests. JBES 12(2).
- Ljung–Box: Ljung, G. M. y Box, G. E. P. (1978). Biometrika 65(2). PACF por Durbin–Levinson. Descomposición clásica con media móvil centrada.
- Selección automática: RMSE en el 20 % final de la serie (holdout).
- Métricas: MAE, RMSE, MAPE, sMAPE, R² y U de Theil (frente al pronóstico ingenuo).
- Regresión por mínimos cuadrados con descomposición QR de Householder; errores estándar, t, p-valores, IC, F, ANOVA, VIF y Durbin–Watson; regresión por pasos con umbrales de entrada/salida.
- Tendencias como las líneas de tendencia de Excel (exponencial y potencial ajustadas sobre ln y).
- Procesos estocásticos con discretización exacta: movimiento browniano geométrico (log-normal), Ornstein–Uhlenbeck y difusión con saltos de Merton, R. C. (1976). Option pricing when underlying stock returns are discontinuous. JFE 3.
Optimización
- Nelder–Mead acotado (mapeo al hipercubo unitario) con reinicios; restricciones por lagrangiano aumentado. Nelder, J. A. y Mead, R. (1965). A simplex method for function minimization. The Computer Journal 7(4).
- Algoritmo genético: cruce SBX y mutación polinomial (variables continuas/enteras/discretas), cruce uniforme y mutación de bits (binarias), selección por torneo binario y supervivencia elitista (μ+λ), todo con las reglas de factibilidad de Deb. Deb, K. (2000). An efficient constraint handling method for genetic algorithms. CMAME 186.
- Recocido simulado con pasos adaptativos por coordenada (estilo Corana et al., 1987) y enfriamiento geométrico. Kirkpatrick, S., Gelatt, C. D. y Vecchi, M. P. (1983). Science 220.
- Automático: genético si hay variables no continuas; genético + Nelder–Mead si todas son continuas, hay restricciones y la evaluación es rápida; si no, Nelder–Mead.
- Optimización estocástica: cada candidato corre una simulación completa en el worker y se optimiza un estadístico del pronóstico.
Finanzas
- TIR: Newton–Raphson desde 10 %; si falla, búsqueda de cambios de signo en (−99 %, 1000 %] y refinamiento con el método de Brent (1973). Todas las TIR: búsqueda en una grilla de tasas y refinamiento de cada raíz.
- Convenciones de Excel para
VNA/NPV(descuenta desde el primer valor),PAGO,VA,VF,NPER,TIRM,SLN,DB,DDB/VDBySYD.
Compilador de fórmulas y GPU
El paquete @openrisksim/accel compila las fórmulas que hay entre los supuestos y los pronósticos para evaluarlas sin HyperFormula (guía de usuario: Aceleración).
- Alcance: recorrido en profundidad desde cada pronóstico hacia sus precedentes (orden topológico; las referencias circulares se rechazan). Solo se compilan las celdas que dependen de un supuesto o de una variable de decisión; el resto se toma como constante con el valor que calculó la hoja.
- Semántica: la IR tipada reproduce las reglas de coerción de HyperFormula (vacío = 0, VERDADERO/FALSO = 1/0, texto numérico simple; el texto ambiguo, como fechas o porcentajes escritos, se rechaza) y las convenciones de Excel de las funciones financieras (
NPV,IRR,PMT…). Las constantes se pliegan en tiempo de compilación. Los errores (#DIV/0!,#NUM!…) se representan comoNaNy se propagan como en la hoja (IFERROR,ISERROR). - Back-end JavaScript (f64): genera una secuencia lineal de instrucciones por prueba, dentro de un bucle sobre el lote. Los resultados se redondean a 14 cifras significativas, como hace HyperFormula (
smartRounding), por lo que coinciden bit a bit con el modo estándar. Si el entorno prohíbenew Function, se usa un intérprete de la IR. - Autocomprobación y validación: al compilar, el programa se ejecuta con los valores actuales del libro y cada celda compilada se compara con la hoja (tolerancia relativa 10⁻⁹). Antes de cada simulación, las primeras 200 pruebas se evalúan también con HyperFormula (tolerancia 10⁻⁹ para JS, 10⁻⁴ para GPU); cualquier discrepancia hace pasar al siguiente modo.
Consideraciones de precisión simple (f32) en GPU
- El compute shader WGSL usa
f32: mantisa de 24 bits (ε ≈ 1,19 × 10⁻⁷, unos 7 dígitos significativos) y rango de ±3,4 × 10³⁸. Las muestras se generan en f64 en la CPU y se convierten a f32 al subirlas; los resultados vuelven comoFloat64Array. El muestreo, las correlaciones, los estadísticos y la sensibilidad se siguen calculando en f64: solo la evaluación de las fórmulas es f32. - WGSL permite a las implementaciones suponer que no hay
NaNni infinitos, así que cada valor lleva una bandera de error explícita; un error se escribe como un patrón de bits quiet NaN y se convierte enNaNal leerlo. - El error relativo de la validación se mide respecto a max(|referencia|, |GPU|, 1 % de la escala del pronóstico), para que los valores cercanos a cero (un VAN casi nulo, resultado de restar flujos grandes) no se juzguen por la cancelación de f32.
IRRse resuelve en GPU con Newton (hasta 60 iteraciones, tolerancia relativa 10⁻⁶ sobre la tasa); las sumas largas (SUM,NPV) acumulan error de redondeo proporcional al número de términos, que la validación vigila.MEDIAN(requiere ordenar) solo existe en CPU, y el shader admite hasta 5 000 fórmulas compiladas. Una invocación por prueba,@workgroup_size(64), en bloques de hasta 2²⁰ pruebas limitados pormaxStorageBufferBindingSize.
Motor de hoja de cálculo
Las fórmulas se evalúan con HyperFormula (Handsontable), un motor compatible con Excel con recálculo por dependencias, usado bajo licencia GPLv3. La lectura y escritura de .xlsx usa ExcelJS y la de CSV, Papa Parse.